ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪರಿಚಯ: ಗಡಿಗಳು, ಮೌಲ್ಯೀಕರಣ, ಜವಾಬ್ದಾರಿ ಮತ್ತು ನೀತಿಶಾಸ್ತ್ರ

ಲಾಭಗಳು:

• ಲೋಹಶಾಸ್ತ್ರ ಮತ್ತು ವಸ್ತುಗಳ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ AI ನೈಜ ಸಮಯವನ್ನು ಎಲ್ಲಿ ಉಳಿಸುತ್ತದೆ ಮತ್ತು ಅಪಾಯದ ಮಟ್ಟವನ್ನು ಆಧರಿಸಿ ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ಜವಾಬ್ದಾರಿಯು ಎಂಜಿನಿಯರ್‌ನೊಂದಿಗೆ ಎಲ್ಲಿ ಉಳಿಯಬೇಕು ಎಂಬುದನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಸ್ಟ್ಯಾಂಡರ್ಡ್, ಸ್ವತಂತ್ರ ಗಣನೆ ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ಪ್ರಯೋಗಗಳ ವಿರುದ್ಧ ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂರು-ಪದರದ ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಶಿಸ್ತನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಗೌಪ್ಯ ಮಿಶ್ರಲೋಹ ಪಾಕವಿಧಾನ, ಪ್ರಕ್ರಿಯೆ ಪ್ಯಾರಾಮೀಟರ್ ಮತ್ತು ಗ್ರಾಹಕರ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಲು ಸಂದರ್ಭ ಮತ್ತು ಸುರಕ್ಷಿತ ಸಾಧನ ಆಯ್ಕೆಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ

ವಿಮಾನ ಎಂಜಿನ್‌ನ ಟರ್ಬೈನ್ ಬ್ಲೇಡ್ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ನೂರಾರು ಬಾರಿ 1400 °C ಸುತ್ತುತ್ತಿರುವಾಗ, ಆ ಬ್ಲೇಡ್ ಅನ್ನು ಯಾವ ಸೂಪರ್‌ಲಾಯ್ (ಹೆಚ್ಚಿನ ತಾಪಮಾನದಲ್ಲಿ ಅದರ ಶಕ್ತಿಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವ ವಿಶೇಷ ಮಿಶ್ರಲೋಹ) ತಯಾರಿಸಲಾಗುತ್ತದೆ, ಅದು ಯಾವ ಶಾಖ ಚಿಕಿತ್ಸೆಗೆ ಒಳಗಾಗುತ್ತದೆ ಮತ್ತು ಎಷ್ಟು ಸಾವಿರ ಗಂಟೆಗಳವರೆಗೆ ಇರುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ವ್ಯಕ್ತಿ: ಮೆಟಲರ್ಜಿಕಲ್ ಅಥವಾ ಮೆಟೀರಿಯಲ್ ಇಂಜಿನಿಯರ್. ಈ ವೃತ್ತಿಯಲ್ಲಿ ನೀವು ಮಾಡುವ ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವು ರಚನೆಯ ಉಳಿವು ಅಥವಾ ಅದರ ಹಾನಿಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಸಂಕ್ಷಿಪ್ತವಾಗಿ AI: ಪಠ್ಯ, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಮತ್ತು ಸಲಹೆಗಳನ್ನು ನೀಡುವ ಸಾಫ್ಟ್‌ವೇರ್ ವ್ಯವಸ್ಥೆಗಳು) ಈ ನಿರ್ಧಾರಗಳನ್ನು ವೇಗಗೊಳಿಸಬಹುದು; ಆದರೆ ಅವನು ಎಂದಿಗೂ ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ಲೋಹಶಾಸ್ತ್ರ ಮತ್ತು ವಸ್ತುಗಳ ಕೆಲಸದಲ್ಲಿ AI ಅನ್ನು ಎಲ್ಲಿ ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸಬೇಕು, ಎಲ್ಲಿ ಅದು ಅಪಾಯಕಾರಿ, ಮತ್ತು ಪ್ರಯೋಗಾಲಯ, ಪ್ರಮಾಣಿತ ಮತ್ತು ಪ್ರಯೋಗದೊಂದಿಗೆ ನೀವು ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಏಕೆ ಮೌಲ್ಯೀಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ಈ ಘಟಕವು ನಿಮಗೆ ಕಲಿಸುತ್ತದೆ.

ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ನೀವು ಬಳಸುವ ಕೇಂದ್ರ ತತ್ವವೆಂದರೆ: AI ಸಹಾಯಕವಾಗಿದೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಲ್ಲ. ವಸ್ತುವಿನ ಆಸ್ತಿ, ಮಿತಿ ಮೌಲ್ಯ, ಪ್ರಮಾಣಿತ ಐಟಂ ಅಥವಾ ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಪಾಕವಿಧಾನವು "AI ಹೀಗೆ ಹೇಳಿದೆ" ಎಂಬ ಕಾರಣಕ್ಕೆ ನಿಜವಾಗುವುದಿಲ್ಲ; ಮಾಪನ, ಉಲ್ಲೇಖ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ತೀರ್ಪಿನ ಮೂಲಕ ಪರಿಶೀಲಿಸುವವರೆಗೆ ಇದು ಕೇವಲ ಒಂದು ಊಹೆಯಾಗಿದೆ. ಮಾಡ್ಯೂಲ್‌ನ ಪ್ರತಿಯೊಂದು ಘಟಕದಲ್ಲಿ ನೀವು ಈ ವಾಕ್ಯವನ್ನು ಮತ್ತೆ ನೋಡುತ್ತೀರಿ, ಏಕೆಂದರೆ ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ, ತಪ್ಪಾದ ಸಂಖ್ಯೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಮುರಿದ ಭಾಗ ಎಂದರ್ಥ.

LLM ಎಂದರೇನು, ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ ಅದು ಏನು ಮಾಡುತ್ತದೆ?

LLM (ದೊಡ್ಡ ಭಾಷೆಯ ಮಾದರಿ) ಒಂದು ಸಾಫ್ಟ್‌ವೇರ್ ಆಗಿದ್ದು ಅದು ಪಠ್ಯದ ದೊಡ್ಡ ಭಾಗಗಳಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಸಂಭವನೀಯತೆಯ ಆಧಾರದ ಮೇಲೆ "ಮುಂದಿನ ಪದ" ವನ್ನು ಊಹಿಸುತ್ತದೆ. ಇದು ಚಾಟ್‌ಜಿಪಿಟಿ, ಕ್ಲೌಡ್, ಜೆಮಿನಿಯಂತಹ ಉಪಕರಣಗಳ ಎಂಜಿನ್ ಆಗಿದೆ. ವಿಷಯ ಹೀಗಿದೆ: LLM ಒಂದು "ಭಾಷೆಯ ಅಂದಾಜುಗಾರ", "ಜ್ಞಾನದ ಆಧಾರ" ಅಲ್ಲ. ಮೆಟಲರ್ಜಿಕಲ್ ಪರಿಭಾಷೆಯನ್ನು ನಿರರ್ಗಳವಾಗಿ ಮಾತನಾಡುತ್ತಾರೆ, ಆದರೆ ಸಂಖ್ಯೆಯನ್ನು ಅಳೆಯುವುದಿಲ್ಲ; ಹೆಚ್ಚಾಗಿ ಕಾಣುವ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಅವನು ಇಳುವರಿ ಸಾಮರ್ಥ್ಯ, ಕರಗುವ ತಾಪಮಾನ ಅಥವಾ ಪ್ರಮಾಣಿತ ಐಟಂ ಸಂಖ್ಯೆಯ ಬಗ್ಗೆ ಆತ್ಮವಿಶ್ವಾಸ ಆದರೆ ತಪ್ಪಾದ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು. ಇದನ್ನು ಭ್ರಮೆ (ಫ್ಯಾಬ್ರಿಕೇಶನ್) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಭ್ರಮೆಯು ಅಸಮರ್ಪಕ ಕಾರ್ಯವಲ್ಲ, ಆದರೆ ಈ ತಂತ್ರಜ್ಞಾನದ ಅಂತರ್ಗತ ಲಕ್ಷಣವಾಗಿದೆ; ಆದ್ದರಿಂದ, ಪರಿಶೀಲನೆಯು "ಹೆಚ್ಚುವರಿ ಹಂತ" ಅಲ್ಲ ಆದರೆ ಕೆಲಸದ ಅವಿಭಾಜ್ಯ ಅಂಗವಾಗಿದೆ.

ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ AI ಪ್ರಬಲವಾಗಿರುವ ಕಾರ್ಯಗಳು:

• ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ ಮತ್ತು ಬೋಧನೆ: ಮಾರ್ಟೆನ್ಸೈಟ್ ರೂಪಾಂತರ ಎಂದರೇನು, ಅದು ಏಕೆ ಕಠಿಣ ಮತ್ತು ಸುಲಭವಾಗಿ; ಯುಟೆಕ್ಟಿಕ್ ಮತ್ತು ಯುಟೆಕ್ಟಾಯ್ಡ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೇನು?
• ಊಹೆಯ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುವುದು: ಎರಕದಲ್ಲಿ ಏಕೆ ಸರಂಧ್ರತೆ (ಅನಿಲ ಅಥವಾ ಕುಗ್ಗುವಿಕೆ-ಪ್ರೇರಿತ ಶೂನ್ಯಗಳು) ಸಂಭವಿಸಿರಬಹುದು ಎಂಬುದರ ವ್ಯವಸ್ಥಿತ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುವುದು.
• ಪಠ್ಯ ಉತ್ಪಾದನೆ: ಹಾನಿ ವಿಶ್ಲೇಷಣೆ ವರದಿ ಕರಡು, WPS (ವೆಲ್ಡಿಂಗ್ ಕಾರ್ಯವಿಧಾನದ ವಿವರಣೆ) ಡ್ರಾಫ್ಟ್, ಪ್ರಸ್ತುತಿ, ಇಮೇಲ್.
• ಕೋಡಿಂಗ್: ಡೇಟಾ ಕ್ಲೀನಿಂಗ್, ಗ್ರಾಫಿಕ್ಸ್, ಸರಳ ಲೆಕ್ಕಾಚಾರದ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳು (ಪೈಥಾನ್).
• ಡೇಟಾ ಸಾರಾಂಶ ಮತ್ತು ಟೇಬಲ್ ಸಂಘಟನೆ: ಗೊಂದಲಮಯ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಘಟಿತ ಕೋಷ್ಟಕವಾಗಿ ಪರಿವರ್ತಿಸುವುದು.
• ಮಿದುಳುದಾಳಿ: ಅಭ್ಯರ್ಥಿ ಅಂಶಗಳು, ಮಿಶ್ರಲೋಹ ವಿನ್ಯಾಸಕ್ಕಾಗಿ ಪ್ರಾಯೋಗಿಕ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಕಲ್ಪನೆಗಳು.

AI ದುರ್ಬಲ ಮತ್ತು ಅಪಾಯಕಾರಿಯಾಗಿರುವಲ್ಲಿ:

• ನಿಖರವಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ನೀಡುವುದು (ಆಸ್ತಿ, ಮಿತಿ ಮೌಲ್ಯ, ರಾಸಾಯನಿಕ ಸಂಯೋಜನೆ).
• ಪ್ರಸ್ತುತ/ನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣಿತ ಷರತ್ತು ಮತ್ತು ಆವೃತ್ತಿ ಮಾಹಿತಿ.
• ನಿಮ್ಮ ಸೌಲಭ್ಯದ ನಿಜವಾದ ಮಾಪನ ಡೇಟಾ ಇಲ್ಲದೆ ಡಯಾಗ್ನೋಸ್ಟಿಕ್ಸ್.
• ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರ: ಒಂದು ಭಾಗದ ಗಾಳಿಯ ಯೋಗ್ಯತೆ/ಸೇವಾ ಸಾಮರ್ಥ್ಯ.

ಅಪಾಯ-ಆಧಾರಿತ ವರ್ಗೀಕರಣ: AI ಬಳಸುವ ಮೊದಲು ಫಿಲ್ಟರ್

ಪ್ರತಿಯೊಂದು ಕೆಲಸವೂ ಒಂದೇ ಮಟ್ಟದ ಅಪಾಯದಲ್ಲಿರುವುದಿಲ್ಲ. AI ಬಳಸುವ ಮೊದಲು ಅಪಾಯದ ಮಟ್ಟದಿಂದ ಕೆಲಸವನ್ನು ವರ್ಗೀಕರಿಸಿ. ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ನೀವು ಬಳಸುವ ನಿರ್ಧಾರದ ಚೌಕಟ್ಟನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಅಪಾಯದ ಮಟ್ಟ

ಮಾದರಿ ಕಾರ್ಯ

AI ಪಾತ್ರ

ಕಡ್ಡಾಯ ಪರಿಶೀಲನೆ

ಕಡಿಮೆ

ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ, ಕರಡು ಪಠ್ಯ, ಕೋಡ್ ಅಸ್ಥಿಪಂಜರ

ಉಚಿತ ಬಳಕೆ

ವಿಮರ್ಶೆ ಸಾಕು

ಮಧ್ಯಮ

ಲೆಕ್ಕಾಚಾರದ ಸೆಟಪ್, ಊಹೆಗಳ ಪಟ್ಟಿ, ಸಾಹಿತ್ಯದ ಸಾರಾಂಶ

ಕರಡು/ಸಹ ಲೇಖಕ

ಹಸ್ತಚಾಲಿತ ನಿಯಂತ್ರಣ + ಮೂಲ ದೃಢೀಕರಣ

ಹೆಚ್ಚು

ವಸ್ತು ಆಯ್ಕೆ, ಶಾಖ ಚಿಕಿತ್ಸೆ ಪಾಕವಿಧಾನ, ಮಿತಿ ಮೌಲ್ಯ

ಕಲ್ಪನೆ ಜನರೇಟರ್

ಪ್ರಮಾಣಿತ + ಪ್ರಯೋಗಾಲಯ ಪರೀಕ್ಷೆ

ನಿರ್ಣಾಯಕ

ಸೇವಾ ಸಾಮರ್ಥ್ಯ/ವಾಯು ಯೋಗ್ಯತೆ, ಹಾನಿಯ ಮೂಲ ಕಾರಣ, ಪ್ರಮಾಣೀಕರಣ

ಡ್ರಾಫ್ಟ್ ಮಾತ್ರ

ಮಾನ್ಯತೆ ಪಡೆದ ಪರೀಕ್ಷೆ + ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆ

ಸಲಹೆ: ನೀವು ಕಾರ್ಯವನ್ನು "ನಿರ್ಣಾಯಕ" ಎಂದು ಗುರುತಿಸಿದ್ದರೆ, AI ಯ ಔಟ್‌ಪುಟ್ ಎಂದಿಗೂ ಅಂತಿಮ ದಾಖಲೆಯಾಗಿರುವುದಿಲ್ಲ. ಹೆಚ್ಚೆಂದರೆ ಇದು ಪ್ರಾಥಮಿಕ ಕರಡು ಅಥವಾ ಪರಿಶೀಲನಾಪಟ್ಟಿ ಆಗಿರಬಹುದು; ಅಧಿಕೃತ ಎಂಜಿನಿಯರ್ ಸಹಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ.

ಎಂಡ್-ಟು-ಎಂಡ್ ಫ್ಲೋ: ನಿಮ್ಮ ವರ್ಕ್‌ಫ್ಲೋಗೆ AI ಅನ್ನು ಎಂಬೆಡ್ ಮಾಡುವುದು

ಮೆಟಲರ್ಜಿಕಲ್ ವ್ಯವಹಾರದಲ್ಲಿ ಒಂದು ವಿಶಿಷ್ಟವಾದ ಸಮಸ್ಯೆ-ಪರಿಹರಿಸುವ ಚಕ್ರವು ಈ ರೀತಿಯಾಗಿರುತ್ತದೆ, AI ಪ್ರತಿ ಹಂತವನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ ಆದರೆ ಅವುಗಳಲ್ಲಿ ಯಾವುದನ್ನೂ ಮುಚ್ಚುವುದಿಲ್ಲ:

1. ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸಿ: ಏನು ಮುರಿದಿದೆ, ಯಾವ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಗುರಿಪಡಿಸಲಾಗಿದೆ, ಯಾವ ನಿರ್ಬಂಧವಿದೆ? (AI: ಪ್ರಶ್ನೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.)
2. ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ: ಸಂಯೋಜನೆ ವಿಶ್ಲೇಷಣೆ, ಯಾಂತ್ರಿಕ ಪರೀಕ್ಷೆ, ಸೂಕ್ಷ್ಮ ರಚನೆ, ಕ್ಷೇತ್ರ ಡೇಟಾ. (AI: ಯಾವ ಪರೀಕ್ಷೆ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.)
3. ಊಹೆಗಳನ್ನು ರಚಿಸಿ: ಸಂಭವನೀಯ ಕಾರಣಗಳು/ಪರಿಹಾರಗಳು. (AI: ಶಕ್ತಿಯುತ - ವ್ಯವಸ್ಥಿತ ಪಟ್ಟಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.)
4. ವಿಶ್ಲೇಷಿಸಿ: ಲೆಕ್ಕಾಚಾರ, ಮಾದರಿ, ಚಿತ್ರ ಸಂಸ್ಕರಣೆ. (AI: ಕೋಡ್ ಮತ್ತು ಲೆಕ್ಕಾಚಾರದ ಕಾಲ್ಪನಿಕತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.)
5. ಮೌಲ್ಯೀಕರಿಸಿ: ಪ್ರಮಾಣಿತ, ಪ್ರಯೋಗಾಲಯ, ಮರುಪರೀಕ್ಷೆ. (AI: ಇಲ್ಲಿ ಬದಿಯಲ್ಲಿ; ಮಾನವ ಮತ್ತು ಸಾಧನ ನಿರ್ಧರಿಸುತ್ತದೆ.)
6. ವರದಿ ಮಾಡಿ ಮತ್ತು ನಿರ್ಧರಿಸಿ: ಎಂಜಿನಿಯರ್ ಜವಾಬ್ದಾರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ. (AI: ಡ್ರಾಫ್ಟ್ ರೈಟರ್.)

ಈ ಆರು ಹಂತಗಳನ್ನು ಮನಸ್ಸಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಿ; ಈ ಪ್ರತಿಯೊಂದು ಹಂತಗಳಲ್ಲಿ ಕಾಂಕ್ರೀಟ್ ಕಾರ್ಯಗಳೊಂದಿಗೆ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದನ್ನು ಉಳಿದ ಮಾಡ್ಯೂಲ್ ನಿಮಗೆ ತೋರಿಸುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಅಳವಡಿಸಿದ ಇಳುವರಿ ಶಕ್ತಿ. AISI 4140 ಉಕ್ಕಿನ ಇಳುವರಿ ಸಾಮರ್ಥ್ಯದ ಬಗ್ಗೆ ಒಬ್ಬ ಇಂಟರ್ನ್ AI ಅನ್ನು 200 °C ನಲ್ಲಿ ತಣಿಸಿದ ಮತ್ತು ಹದಗೊಳಿಸುತ್ತಾನೆ; AI "ಸುಮಾರು 1500 MPa" ಎಂದು ಹೇಳುತ್ತದೆ. ಇಂಟರ್ನ್ ಇದನ್ನು ನೇರವಾಗಿ ಸ್ಪಿಂಡಲ್ ವಿನ್ಯಾಸ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಶಾಖ ಚಿಕಿತ್ಸೆಯ ನಿಯತಾಂಕಗಳು ಮತ್ತು ವಿಭಾಗದ ದಪ್ಪವನ್ನು ಅವಲಂಬಿಸಿ, ನಿಜವಾದ ಮೌಲ್ಯವು ಸರಿಸುಮಾರು 900-1600 MPa ನಡುವೆ ಬದಲಾಗುತ್ತದೆ; ತೆಳುವಾದ ಮಾದರಿಯಲ್ಲಿ ತೆಗೆದುಕೊಂಡ ಮೌಲ್ಯವು ದಪ್ಪ ವಿಭಾಗದಲ್ಲಿ ನಿಜವಾಗುವುದಿಲ್ಲ. ಫಲಿತಾಂಶ: ಸುರಕ್ಷತಾ ಅಂಶವು ನಿರೀಕ್ಷೆಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ವಸ್ತು ಡೇಟಾ ಶೀಟ್ (ಮಿಲ್ ಪ್ರಮಾಣಪತ್ರ) ನಿಂದ ಮೌಲ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ, ISO 6892 ರ ಪ್ರಕಾರ ಕರ್ಷಕ ಪರೀಕ್ಷೆಯಿಂದ ಮೌಲ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಸರಿಯಾದ ವರ್ತನೆ.

ಪ್ರಕರಣ 2 - ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಪ್ರಮಾಣಿತ ಷರತ್ತು. ಒಬ್ಬ ಎಂಜಿನಿಯರ್ ಸ್ಟೇನ್‌ಲೆಸ್ ಸ್ಟೀಲ್‌ನ ಸೇರ್ಪಡೆ ಮಿತಿಯ ಬಗ್ಗೆ AI ಅನ್ನು ಕೇಳುತ್ತಾರೆ. AI ಹೇಳುತ್ತದೆ "ASTM E45 ವಿಭಾಗ 7.3 ಪ್ರಕಾರ ಗರಿಷ್ಠ 2.5". ಅದರಂತೆ ಎಂಜಿನಿಯರ್ ವರದಿ ಬರೆಯುತ್ತಾರೆ. ಗ್ರಾಹಕರ ತಪಾಸಣೆಯ ಸಮಯದಲ್ಲಿ, ಲೇಖನ ಸಂಖ್ಯೆ ನಕಲಿ ಮತ್ತು ಮಾನದಂಡವು ಅಂತಹ ಷರತ್ತು ಹೊಂದಿಲ್ಲ ಎಂದು ತಿಳಿದುಬಂದಿದೆ. ಅಧಿಕೃತ ಮೂಲದಿಂದ ಮಾನದಂಡದ ಪ್ರಸ್ತುತ ಆವೃತ್ತಿಯನ್ನು ತೆರೆಯುವುದು ಮತ್ತು ಲೇಖನವನ್ನು ದೃಢೀಕರಿಸುವುದು ಸರಿಯಾದ ವರ್ತನೆ. ಪ್ರಮಾಣಿತ ಹೆಸರನ್ನು ಸರಿಯಾಗಿ ತಿಳಿದಿದ್ದರೂ ಸಹ AI ಐಟಂ ಸಂಖ್ಯೆಯನ್ನು ಭ್ರಮೆಗೊಳಿಸಬಹುದು.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ. ಹಾನಿಯ ವಿಶ್ಲೇಷಣಾ ತಂಡವು ಮುರಿದ M20 ಬೋಲ್ಟ್‌ನ ಮುರಿದ ಮೇಲ್ಮೈಯ ಛಾಯಾಚಿತ್ರವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಅವರು AI ಅನ್ನು ಕೇಳುತ್ತಾರೆ, "ಆಯಾಸ ಬಿರುಕು ಮತ್ತು ಸುಲಭವಾಗಿ ಮುರಿತದ ಮುರಿತದ ಮೇಲ್ಮೈಯಲ್ಲಿ ವಿಶಿಷ್ಟ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಸ್ಕ್ಯಾನಿಂಗ್ ಎಲೆಕ್ಟ್ರಾನ್ ಮೈಕ್ರೋಸ್ಕೋಪ್ (SEM) ನಲ್ಲಿ ನಾನು ಏನನ್ನು ನೋಡಬೇಕೆಂದು ನನಗೆ ತಿಳಿಸಿ." AI ವ್ಯವಸ್ಥಿತವಾಗಿ ಕಡಲತೀರದ ಗುರುತುಗಳು, ಸ್ಟ್ರೈ (ಆಯಾಸ ರೇಖೆಗಳು) ಮತ್ತು ಡಿಂಪಲ್/ಕ್ಲೀವೇಜ್ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸುತ್ತದೆ. ತಂಡವು SEM ನೊಂದಿಗೆ ಈ ಕುರುಹುಗಳನ್ನು ಹುಡುಕುತ್ತದೆ, ಸ್ಟ್ರೈಯನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಸಾಧನದ ಚಿತ್ರದೊಂದಿಗೆ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುತ್ತದೆ. Here AI was used correctly: organized the information, the laboratory made the decision.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕೆಳಗಿನ ಟೆಂಪ್ಲೇಟ್‌ಗಳನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ವ್ಯವಹಾರಕ್ಕೆ ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮೂಲಕ ನೀವು ಅವುಗಳನ್ನು ಬಳಸಬಹುದು. ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದರಲ್ಲೂ, "ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಿ, ಮೂಲವನ್ನು ಸೂಚಿಸಿ, ಅನಿಶ್ಚಿತತೆಯನ್ನು ವಿವರಿಸಿ" ಎಂಬ ಪ್ರಜ್ಞಾಪೂರ್ವಕ ಸೂಚನೆಯಿದೆ.

ಪಾತ್ರ ಮತ್ತು ಗಡಿ ಟೆಂಪ್ಲೇಟ್ "ಪಾತ್ರ: ನೀವು ಅನುಭವಿ ಮೆಟಲರ್ಜಿಕಲ್ ಇಂಜಿನಿಯರ್ ಸಹಾಯಕ. ಕಾರ್ಯ: [ವಿಷಯವನ್ನು ಬರೆಯಿರಿ]. ನಿಯಮಗಳು: ನಿಖರವಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ನೀಡುವಾಗ, ಮೂಲವನ್ನು ನಮೂದಿಸಿ; ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, 'ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ' ಎಂದು ಹೇಳಿ. ನೀವು ಪ್ರಮಾಣಿತ ಐಟಂ ನೀಡಿದರೆ, ಅಧಿಕೃತ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ, ಆದರೆ ಅಧಿಕೃತ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಉತ್ತರಿಸಿ. ಐಟಂ ಮೂಲಕ ಐಟಂ 'ಪ್ರಯೋಗದಿಂದ ಏನು ಪರಿಶೀಲಿಸಬೇಕು'."

ಕಲ್ಪನೆಯ ಪೀಳಿಗೆಯ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಸಮಸ್ಯೆಗೆ ಸಂಭವನೀಯ ಮೂಲ ಕಾರಣಗಳ ವ್ಯವಸ್ಥಿತ ಪಟ್ಟಿಯನ್ನು ತಯಾರಿಸಿ: [ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸಿ; ವಸ್ತು, ಪ್ರಕ್ರಿಯೆ, ವೀಕ್ಷಣೆ]. ಪ್ರತಿ ಊಹೆಗೆ: (1) ಯಾವ ಪುರಾವೆಗಳು ಅದನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ, (2) ಅದನ್ನು ದೃಢೀಕರಿಸಲು/ನಿರಾಕರಿಸಲು ಯಾವ ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಬೇಕು. ಕೇವಲ ಒಂದು ನಿಖರವಾದ ಸಂಶೋಧನಾ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡಬೇಡಿ;

ಪರಿಶೀಲನಾ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಔಟ್‌ಪುಟ್/ವರದಿ ಡ್ರಾಫ್ಟ್‌ನಲ್ಲಿ ಪ್ರತಿ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯ ಮತ್ತು ಪ್ರತಿ ಪ್ರಮಾಣಿತ ಉಲ್ಲೇಖವನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಯಾವ ಮೂಲದಿಂದ (ಮಿಲ್ ಪ್ರಮಾಣಪತ್ರ, ಪ್ರಮಾಣಿತ ಪಠ್ಯ, ಪರೀಕ್ಷಾ ವರದಿ) ಪರಿಶೀಲಿಸಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ. ಪ್ರತ್ಯೇಕ 'ಪರಿಶೀಲಿಸುವವರೆಗೆ ಲಭ್ಯವಿಲ್ಲ' ಶೀರ್ಷಿಕೆ ಅಡಿಯಲ್ಲಿ ಅನಿಶ್ಚಿತ ಮೂಲವನ್ನು ಸಂಗ್ರಹಿಸಿ."

ಅನಾಮಧೇಯತೆಯ ಪೂರ್ವ-ಪರಿಶೀಲನೆ ಟೆಂಪ್ಲೇಟ್ "AI ಉಪಕರಣಕ್ಕೆ ಕೆಳಗಿನ ಪಠ್ಯವನ್ನು ನೀಡುವ ಮೊದಲು, ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳು ಅಥವಾ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿರುವ ಭಾಗಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ: ಮಿಶ್ರಲೋಹ ಪಾಕವಿಧಾನ ಅನುಪಾತಗಳು, ಗ್ರಾಹಕರ ಹೆಸರು, ಪ್ರಕ್ರಿಯೆ ತಾಪಮಾನ/ಸಮಯದ ಗೌಪ್ಯ ನಿಯತಾಂಕಗಳು, ಸಿಬ್ಬಂದಿ ಹೆಸರುಗಳು. ನಾನು ಇವುಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಹೇಗೆ ಎಂದು ಸೂಚಿಸಿ. ಪಠ್ಯ:[ಅಂಟಿಸಿ]."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಎರಡು ರೀತಿಯಲ್ಲಿ ಕೇಳುವುದು ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "4140 ಉಕ್ಕಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನನಗೆ ತಿಳಿಸಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ಪಾತ್ರ: ನೀವು ಸಹಾಯಕ ಶಾಖ ಸಂಸ್ಕರಣಾ ಇಂಜಿನಿಯರ್ ಆಗಿದ್ದೀರಿ. AISI 4140 ಸ್ಟೀಲ್‌ಗೆ ಕ್ವೆನ್ಚಿಂಗ್ + ಟೆಂಪರಿಂಗ್ ಮಾಡಿದಾಗ ಇಳುವರಿ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ಏನು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ (ಟೆಂಪರಿಂಗ್ ತಾಪಮಾನ, ವಿಭಾಗದ ದಪ್ಪ / ಗಡಸುತನ, ಆಸ್ಟೆನಿಟೈಸಿಂಗ್ ತಾಪಮಾನ). ಒಂದೇ ನಿಖರ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಬೇಡಿ; ಬದಲಿಗೆ, ಯಾವ ಶ್ರೇಣಿಯಲ್ಲಿ ಮೌಲ್ಯವು ಬದಲಾಗಬಹುದು ಮತ್ತು ಯಾವ ಶ್ರೇಣಿಯಲ್ಲಿ ISO ಬದಲಾಗಬಹುದು. ಕರ್ಷಕ ಪರೀಕ್ಷೆ) ಸರಿಯಾದ ಮೌಲ್ಯವನ್ನು ಪಡೆಯಲು ದಯವಿಟ್ಟು ನಿಮಗೆ ಎಲ್ಲಿ ಖಚಿತವಾಗಿಲ್ಲ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ."

ಕಳಪೆ ಪ್ರಾಂಪ್ಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಅನುಪಯುಕ್ತ, ಮೇಲ್ನೋಟದ ಪಟ್ಟಿಯನ್ನು ಮತ್ತು ಪ್ರಾಯಶಃ ತಯಾರಿಸಿದ ಸಂಖ್ಯೆಗಳನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ. ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್; ಇದು ಒಂದು ಪಾತ್ರವನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ, ಮಿತಿಗಳನ್ನು ಹೊಂದಿಸುತ್ತದೆ ("ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡುವುದು"), ಪರಿಶೀಲನೆಯ ವಿಧಾನದ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ, ಪ್ರತಿ ಘಟಕಕ್ಕೆ ಅನ್ವಯಿಸಲಾದ "ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್" ಮಾದರಿಯನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ.

ನೈತಿಕತೆ, ಗೌಪ್ಯತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿ

ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾವು ಸಾಮಾನ್ಯವಾಗಿ ಗೌಪ್ಯವಾಗಿರುತ್ತದೆ: ಗ್ರಾಹಕ ಮಿಶ್ರಲೋಹದ ಪಾಕವಿಧಾನಗಳು, ಪೇಟೆಂಟ್ ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳು, ಹಾನಿ ವಿಶ್ಲೇಷಣೆ ಸಂಶೋಧನೆಗಳು, ರಕ್ಷಣಾ ಉದ್ಯಮದ ವಿಶೇಷಣಗಳು. ಅವುಗಳನ್ನು ಸಾರ್ವಜನಿಕ AI ಸೇವೆಗೆ ಅಂಟಿಸುವುದು ವ್ಯಾಪಾರ ರಹಸ್ಯ ಮತ್ತು ಒಪ್ಪಂದದ ಉಲ್ಲಂಘನೆಯಾಗಿರಬಹುದು; ಮಾದರಿಯ ತರಬೇತಿಯಲ್ಲಿ ಡೇಟಾ ಹಸ್ತಕ್ಷೇಪ ಮಾಡುವ ಅಪಾಯವೂ ಇದೆ.

• ಕಂಪನಿ/ಗ್ರಾಹಕರ ಸಂಯೋಜನೆಗಳು, ಪಾಕವಿಧಾನಗಳು ಮತ್ತು ರೇಖಾಚಿತ್ರಗಳನ್ನು ಅನುಮೋದನೆಯಿಲ್ಲದೆ ಬಾಹ್ಯ ಸೇವೆಯಲ್ಲಿ ನಮೂದಿಸಬೇಡಿ.
• ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಹೊಂದಿರುವ ದಾಖಲೆಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ (ಆಪರೇಟರ್ ಹೆಸರುಗಳು, ನೋಂದಣಿ ಸಂಖ್ಯೆಗಳು).
• ಕಾರ್ಪೊರೇಟ್ ನೀತಿ ಮತ್ತು ಯಾವುದೇ ಆನ್-ಪ್ರಿಮೈಸ್ ಅಥವಾ ಒಪ್ಪಂದದ ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಉಪಕರಣವನ್ನು ಅನುಸರಿಸಿ.
• ನೀವು AI ಅನ್ನು ಬಳಸುತ್ತಿರುವಿರಿ ಎಂದು ವರದಿಯಲ್ಲಿ ಪಾರದರ್ಶಕವಾಗಿ ತಿಳಿಸಿ; ಅಂತಿಮ ನಿರ್ಧಾರವು ನಿಮ್ಮ ಎಂಜಿನಿಯರಿಂಗ್ ತೀರ್ಪಿನ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ ಎಂದು ಸ್ಪಷ್ಟಪಡಿಸಿ.
• ಸಹಿ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಯಾವಾಗಲೂ ಅಧಿಕೃತ ಎಂಜಿನಿಯರ್ ಬಳಿ ಇರುತ್ತದೆ; AI ಔಟ್‌ಪುಟ್ ಸಮರ್ಥನೆ ಅಲ್ಲ.

ಎಚ್ಚರಿಕೆ: "ಅದು AI ಹೇಳಿದೆ" ಎಂಜಿನಿಯರಿಂಗ್ ಸಮರ್ಥನೆ ಅಲ್ಲ. ಹಾನಿಯ ವರದಿಯಲ್ಲಿ, ವಸ್ತುವಿನ ಆಯ್ಕೆ ಅಥವಾ ಅನುಸರಣೆ ನಿರ್ಧಾರ, ನಿಮ್ಮ ಆಧಾರವು ಮಾನದಂಡಗಳು, ಪರೀಕ್ಷೆ ಮತ್ತು ಲೆಕ್ಕಾಚಾರವಾಗಿರಬೇಕು; AI ಇವುಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಸಂಘಟಿಸುವ ಸಾಧನವಾಗಿದೆ. ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಕೆಲಸಕ್ಕಾಗಿ, AI ಔಟ್‌ಪುಟ್ ಅರ್ಹ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಗೆ ಬದಲಿಯಾಗಿಲ್ಲ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಪ್ರಯೋಗ ಮತ್ತು ಉಲ್ಲೇಖವಿಲ್ಲದೆ AI ನೀಡಿದ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು (ವೈಶಿಷ್ಟ್ಯ, ಮಿತಿ, ಸಂಯೋಜನೆ) ಬಳಸುವುದು.
• ಪ್ರಮಾಣಿತ ಐಟಂ ಸಂಖ್ಯೆಗಳನ್ನು ದೃಢೀಕರಿಸದೆ ವರದಿಯಲ್ಲಿ ಬರೆಯುವುದು.
• ಸಾರ್ವಜನಿಕ AI ಗೆ ಗೌಪ್ಯ ಗ್ರಾಹಕ/ಸಂಸ್ಥೆಯ ಡೇಟಾವನ್ನು ನಮೂದಿಸುವುದು.
• ಸೌಲಭ್ಯದ ಡೇಟಾವನ್ನು ನೀಡದೆ ಮತ್ತು ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಸಾಮಾನ್ಯ ಉತ್ತರವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸದೆ AI ಅನ್ನು "ಏನು ಅಸಮರ್ಪಕ ಕಾರ್ಯ" ಎಂದು ಕೇಳುವುದು.
• ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅಂತಿಮ ದಾಖಲೆಯಾಗಿ ಬಳಸುವುದು, ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು.
• ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು: ನಿಖರತೆಗಾಗಿ AI ನ ಆತ್ಮವಿಶ್ವಾಸದ ಸ್ವರವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

AI ಮೆಟಲರ್ಜಿಕಲ್ ಮತ್ತು ಮೆಟೀರಿಯಲ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಪ್ರಬಲ ವೇಗವರ್ಧಕವಾಗಿದೆ: ಇದು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಊಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಡ್ರಾಫ್ಟ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಬರೆಯುತ್ತದೆ. ಆದರೆ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯವು ಪ್ರಮಾಣಿತ ವಿಷಯ ಮತ್ತು ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಭ್ರಮೆಯ ಅಪಾಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅಪಾಯದ ಮಟ್ಟದಿಂದ ಕಾರ್ಯಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ, ಪ್ರಮಾಣಿತ-ಲ್ಯಾಬ್-ಖಾತೆ ತ್ರಿಕೋನದಲ್ಲಿ ಪ್ರತಿ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ, ಗೌಪ್ಯತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ ಮತ್ತು ಯಾವಾಗಲೂ ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್‌ನೊಂದಿಗೆ ಜವಾಬ್ದಾರಿಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ. ಮಾಡ್ಯೂಲ್ನ ಉಳಿದ ಭಾಗವು ಪ್ರತಿ ಕಾಂಕ್ರೀಟ್ ಕಾರ್ಯಕ್ಕೆ ಈ ತತ್ವವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಸ್ವಂತ ಕೆಲಸದಿಂದ (ಅಥವಾ ಮಾದರಿ ಯೋಜನೆ) ಐದು ವಿಶಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ: ಉದಾಹರಣೆಗೆ, "ವಸ್ತು ಆಯ್ಕೆ", "ಹಾನಿ ವರದಿ ಬರವಣಿಗೆ", "ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಪ್ರಶ್ನೆ", "ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ವ್ಯಾಖ್ಯಾನ", "ಲೆಕ್ಕಾಚಾರ ಸ್ಕ್ರಿಪ್ಟ್". ಮೇಲಿನ ಅಪಾಯದ ಕೋಷ್ಟಕದ ಪ್ರಕಾರ ಪ್ರತಿಯೊಂದನ್ನು ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ/ಕ್ರಿಟಿಕಲ್ ಎಂದು ವರ್ಗೀಕರಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೀವು ಹೇಗೆ ಪರಿಶೀಲಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ (ಯಾವ ಮಾನದಂಡ, ಯಾವ ಪರೀಕ್ಷೆ, ಯಾರ ಅನುಮೋದನೆ). ನಂತರ ಈ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ "ಪಾತ್ರ ಮತ್ತು ಗಡಿ" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಅಳವಡಿಸಲು ಪ್ರಯತ್ನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಮಿಷನ್ ಅನ್ನು ಅಪಾಯದ ಮಟ್ಟದಿಂದ ವರ್ಗೀಕರಿಸಿದ್ದೇನೆ (ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ/ನಿರ್ಣಾಯಕ).
• [ ] ನಾನು AI ಗೆ ಪಾತ್ರ, ನಿರ್ಬಂಧ ಮತ್ತು "ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಿ/ಮೂಲವನ್ನು ಸೂಚಿಸಿ" ಸೂಚನೆಯನ್ನು ನೀಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಸ್ವತಂತ್ರ ಮೂಲಗಳಿಂದ ಪ್ರತಿ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯ ಮತ್ತು ಪ್ರಮಾಣಿತ ಐಟಂ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಬಾಹ್ಯ ಸೇವೆಗೆ ಗೌಪ್ಯ/ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ನಮೂದಿಸಿಲ್ಲ ಅಥವಾ ಅದನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿಲ್ಲ.
• [ ] ನಾನು ಮಾಪನ ಮತ್ತು ಮಾನದಂಡದ ಮೇಲೆ ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಆಧರಿಸಿದೆ, ಸಮರ್ಥನೆಯಾಗಿ AI ಅನ್ನು ಬಳಸುತ್ತಿಲ್ಲ.
• [ ] ನಾನು ಜವಾಬ್ದಾರಿ ಮತ್ತು ಸಹಿಯನ್ನು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್‌ಗೆ ಬಿಟ್ಟಿದ್ದೇನೆ.